Det finns sällan skäl att implementera BG/NBD från grunden. Modellerna är välbeskrivna, implementationerna är granskade, och tiden är bättre använd till att förstå datan.
Vad som finns i det
BG/NBD för köpfrekvens i icke-avtalsbunden handel: kunden säger aldrig upp, den slutar bara komma tillbaka. Modellen skattar både hur ofta kunden köper och sannolikheten att den fortfarande är aktiv.
Gamma-Gamma för ordervärde, med den dubbla struktur som gör att en kund med tre ordrar får en rimlig skattning genom att dras mot kundbasens fördelning.
Marketing mix modeling med mättnadskurvor och fördröjningsstrukturer. Det är det som gör attribution och MMM praktiskt genomförbart för bolag som inte har en egen analysavdelning.
Kundlivscykelmodeller för avtalsbunden verksamhet, där uppsägningen är en observerbar händelse.
Skillnaden mot lifetimes
lifetimes var länge standardbiblioteket och finns fortfarande i mängder av
guider och blogginlägg. Det underhålls inte längre, och dess skattningar är
punktskattningar utan osäkerhet.
PyMC-Marketing bygger samma modeller bayesianskt och ger trovärdighetsintervall per kund. För en kund med tre ordrar är intervallet brett, och det är precis den informationen som behövs innan någon fattar beslut om henne.
Ser ni en CLV-implementation som ger exakta tal utan osäkerhet, oavsett hur lite data kunden har, är det värt att fråga varför.
Vad det inte löser
Biblioteket ger modellerna. Det ger inte svaret på vilket beslut talet ska stödja, vilken uppdateringstakt som krävs, eller om er data faktiskt uppfyller antagandena.
Den vanligaste fällan är att köra BG/NBD på abonnemangsdata. Modellen är byggd för det icke-avtalsbundna fallet där bortfall inte observeras. I ett abonnemang vet ni när kunden sa upp, och då ska den informationen användas, med överlevnadsanalys i stället.